EVALUASI KINERJA K-MEDOIDS CLUSTERING MODEL UNTUK KLASTERISASI DAERAH PRODUKTIVITAS PANEN PADI DI KABUPATEN BIREUEN

Hayatun Nisa; Muhammad Daud; Sujacka Retno

doi:10.35145/joisie.v9i2.4965

Hayatun Nisa Universitas Malikussaleh
Muhammad Daud Universitas Malikussaleh
Sujacka Retno Universitas Malikussaleh

DOI: https://doi.org/10.35145/joisie.v9i2.4965

Abstract viewed = 472 times

PDF (Bahasa Indonesia) downloaded = 358 times

Abstract

Produktivitas padi merupakan indikator penting dalam memantau dan meningkatkan produksi padi di suatu wilayah. Di Kabupaten Bireuen, Aceh, alokasi pupuk subsidi yang tidak merata menjadi kendala dalam optimalisasi produktivitas padi. Penelitian ini bertujuan untuk mengklaster daerah prioritas dan non-prioritas produktivitas panen padi di Kabupaten Bireuen menggunakan algoritma K-Medoids dan Purity K-Medoids. Data yang digunakan adalah data historis pertanian padi tahun 2012–2023 sebanyak 204 record, yang diperoleh dari Badan Pusat Statistik Kabupaten Bireuen dan Dinas Pertanian dan Perkebunan Kabupaten Bireuen, dengan variabel seperti jumlah desa, luas tanam, luas panen, produktivitas, jumlah produksi, dan persentase luas tanam. Proses klasterisasi dievaluasi menggunakan Davies Bouldin Index (DBI). Hasil penelitian menunjukkan bahwa Purity K-Medoids menghasilkan nilai rata-rata DBI sebesar 0,786911, lebih rendah dibandingkan K-Medoids yang sebesar 0,907856, menandakan validitas klaster yang lebih baik. Berdasarkan hasil klasterisasi, Kecamatan Peusangan paling sering muncul sebagai daerah prioritas, yaitu pada tahun 2013, 2015, 2016, 2018, 2019, 2020, 2022, dan 2023. Temuan ini diharapkan dapat menjadi pertimbangan dalam kebijakan alokasi sumber daya pertanian di Kabupaten Bireuen.

Downloads

Download data is not yet available.

References

Angelina M. T. I. Sambi Ua, Diandra Lestriani H, Elizabeth Sonia Kristanty Marpaung, Jesslyn Ong, Michelle Savinka, Putri Nurhaliza, & Rahmi Yulia Ningsih. (2023). Penggunaan Bahasa Pemrograman Python Dalam Analisis Faktor Penyebab Kanker Paru-Paru. Jurnal Publikasi Teknik Informatika, 2(2), 88–99. https://doi.org/10.55606/jupti.v2i2.1742
Carneiro, T., Da Nobrega, R. V. M., Nepomuceno, T., Bian, G. Bin, De Albuquerque, V. H. C., & Filho, P. P. R. (2018). Performance Analysis of Google Colaboratory as a Tool for Accelerating Deep Learning Applications. IEEE Access, 6, 61677–61685. https://doi.org/10.1109/ACCESS.2018.2874767
Dinata, R. K., Retno, S., & Hasdyna, N. (2021). Minimization of the Number of Iterations in K-Medoids Clustering with Purity Algorithm. Revue d’Intelligence Artificielle, 35(3), 193–199. https://doi.org/10.18280/ria.350302
Hardiyanti, F., Tambunan, H. S., & Saragih, I. S. (2019). Penerapan Metode K-Medoids Clustering Pada Penanganan Kasus Diare Di Indonesia. KOMIK (Konferensi Nasional Teknologi Informasi Dan Komputer), 3(1), 598–603. https://doi.org/10.30865/komik.v3i1.1666
Hasdyna, N., & Retno, S. (2022). Purity Algorithm in Determining System of The Productivity of Rice Harvesting Areas in Kabupaten Aceh Utara. Journal of Informatics and Telecommunication Engineering, 5(2), 259–267. https://doi.org/10.31289/jite.v5i2.6030
Izonin, I., Tkachenko, R., Shakhovska, N., Ilchyshyn, B., & Singh, K. K. (2022). A Two-Step Data Normalization Approach for Improving Classification Accuracy in the Medical Diagnosis Domain. Mathematics, 10(11), 1–18. https://doi.org/10.3390/math10111942
Jollyta, D., & Siddik, M. (2023). Pengoptimalan Pengukuran Bregman Divergences Menggunakan Davies Bouldin Index. JOISIE Journal Of Information System And Informatics Engineering, 7(1), 174–180.
Kaligis, G. B., & Yulianto, S. (2022). Analisa Perbandingan Algoritma K-Means, K-Medoids, Dan X-Means Untuk Pengelompokkan Kinerja Pegawai. IT-Explore: Jurnal Penerapan Teknologi Informasi Dan Komunikasi, 1(3), 179–193. https://doi.org/10.24246/itexplore.v1i3.2022.pp179-193
Lailiyah, N., Timisela, N. R., & Kaplale, R. (2020). Analisis Produksi Padi Sawah (Oryza sativa L) Tadah Hujan di Desa Lea Wai Kecamatan Seram Utara Timur Kobi. Jurnal Agribisnis Kepulauan, 5(2), 151–165.
Nishom, M. (2019). Perbandingan Akurasi Euclidean Distance, Minkowski Distance, dan Manhattan Distance pada Algoritma K-Means Clustering berbasis Chi-Square. Jurnal Informatika: Jurnal Pengembangan IT, 4(1), 20–24. https://doi.org/10.30591/jpit.v4i1.1253
Permana, I., & Salisah, F. N. S. (2022). Pengaruh Normalisasi Data Terhadap Performa Hasil Klasifikasi Algoritma Backpropagation. Indonesian Journal of Informatic Research and Software Engineering (IJIRSE), 2(1), 67–72. https://doi.org/10.57152/ijirse.v2i1.311
Pratiwi, H., & Wahyu Wibowo, A. P. (2022). Implementasi Algoritma K-Means Untuk Mengklaster Kelompok Sektor Perkebunan Di Indonesia. JOISIE Journal Of Information System And Informatics Engineering, 6(1), 1–10.
Sujacka Retno, Bustami, & Rozzi Kesuma Dinata. (2024). Enhancing K-Means Clustering Model to Improve Rice Harvest Productivity Areas in Aceh Utara Using Purity. Jurnal Nasional Pendidikan Teknik Informatika (JANAPATI), 13(2), 405–418. https://doi.org/10.23887/janapati.v13i2.78254
Tohendry, D., & Jollyta, D. (2023). Penerapan Algoritma K-Means Cluster Ing Untuk Pengelompokkan Saham Berdasarkan Price Earning Ratio Dan Price To Book Value. Jurnal Mahasiswa Aplikasi Teknologi Komputer Dan Informasi, 5(1), 3–9.